Jul, 2022

自我关注机制和潜在空间项目 - 响应模型的功能磁共振连接可解释融合分析框架

PDF
TL;DR本文提出一种基于深度学习和功能连接网络分析的认知障碍疾病分类方法，通过自注意力模型和潜空间项目 - 响应交互网络模型解释分类结果，发现与其他疾病不同的显著功能连接模式。
deep learningbrain fmri signalscognitive impairmentfunctional connectivity networklatent space item-response interaction network model
发现论文，激发创造
  • 基于功能连接的神经障碍诊断的可学习对应病因分析框架

    通过采用深度学习模型进行疾病识别和解释模型进行后续分析，我们提出了一个新的统一框架来集成诊断和解释，并通过仿真逆转诊断信息的功能连接来验证其有效性，并在对疾病相关的神经模式进行分析。

    Oct, 2023

  • 一种基于功能连接性的生成式自监督框架用于 fMRI 数据

    利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

    Dec, 2023

  • 使用多尺度图谱构建的分层图卷积网络用于脑障碍诊断和功能连接

    本研究提出了一种基于多尺度图谱和深度学习的方法，使用具有生物意义的多尺度图谱计算多尺度功能连接网络，并结合多尺度网络中区域之间的生物意义关系进行诊断信息提取，以实现更好地理解脑部疾病的神经病理学。实验证明该方法在阿尔茨海默病、轻度认知障碍和自闭症谱系障碍的诊断中比其他竞争方法更具优势。

    Sep, 2022

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022

  • EAG-RS: 一种基于可解释性的自闭症诊断的区域选择框架，通过区域间关系学习

    基于静息态功能磁共振成像 (rs-fMRI) 的深度学习模型被广泛应用于诊断脑疾病，尤其是自闭症谱系障碍 (ASD)。本文提出了一种新颖的可解释的感兴趣区域 (ROI) 选择框架（EAG-RS），通过利用可解释的人工智能技术识别脑区之间的非线性高阶功能关联，并选择具有类别区分能力的脑区进行脑疾病识别。通过使用自闭症脑成像数据库交换（ABIDE）数据集进行实验证实了我们提出方法的有效性，证明其在各种评估指标上优于其他比较方法。此外，我们对选定的感兴趣区域进行定性分析，并鉴别与先前神经科学研究相关的 ASD 亚型。

    Oct, 2023

  • MRI 可解释的概念映射：揭示基于深度学习的脑疾病分类的机制

    通过对深度神经网络学习的概念进行系统性研究，可以确定变化的大脑区域用于模型验证，从而增加疾病分类模型的可靠性。

    Apr, 2024

  • fMRI 脑网络的深度标注

    研究使用深度学习方法快速准确地标记静息态功能磁共振成像中的脑区网络，通过测试其在不同数据集和磁共振成像获取技术下的表现，证明其通用性和可靠性。

    May, 2023

  • 通过功能性脑网络生成进行有效和可解释的 fMRI 分析

    本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

    Jul, 2021

  • 多尺度功能磁共振成像时间序列分析用于理解轻度认知功能障碍的神经退行性变化

    本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

    Feb, 2024

  • BrainMAE: 脑信号的区域感知自监督学习框架

    利用功能磁共振成像 (fMRI) 和深度学习方法，我们提出一种名为 BrainMAE 的大脑掩码自编码器，能够从 fMRI 时间序列数据中学习表示，捕捉大脑活动的丰富时间动态并对数据中固有的噪声具有强大的鲁棒性，并在四个不同的下游任务中显著优于传统方法。

    Jun, 2024